Privacy-preserving classification

Abstract

La classification pr´eservant la vie priv´ee (d´evelopper des mod`eles sans voir les donn´ees) est importante pour l’apprentissage automatique et l’exploration de donn´ees, les sources de donn´ees collaborent pour d´evelopper un mod`ele global, mais ne doivent pas divulguer leurs donn´ees `a d’autres. Dans de nombreuses situations, les donn´ees sont r´eparties entre plusieurs organisations. Ces organisations peuvent vouloir utiliser toutes les donn´ees pour cr´eer des mod`eles pr´edictifs plus pr´ecis tout en ne r´ev´elant ni leurs donn´ees/bases de donn´ees d’apprentissage ni les instances `a classer. A travers ce m´emoire, nous avons propos´e une solution originale et s´ecuris´ee, incluant le respect de la vie priv´ee. Nous avons anonymis´e notre jeu de donn´ees en ajoutant des donn´ees fectives pour perturber l’ensemble de donn´ees original tout en essayant de ne pas perdre l’utilit´e des donn´ees originales, puis nous avons ´evalu´e notre proposition avec l’ensemble de donn´ees orginal et on a compar´e les r´esultats de classification entre le jeu de donn´ees original et perturb´e.